- GeoGen：通过带符号距离函数的几何感知生成建模
我们介绍了一种新的生成方法，通过单视图集合合成三维几何和图像。使用神经辐射场的体积渲染预测是目前现有方法的主要限制之一。为了解决这个问题，我们提出了一种基于有向面积函数的三维生成模型 GeoGen，通过学习可改变的转换并将渲染深度图与 SD - ICLRGNeRP：基于高斯引导的有噪极化先验的反射物体神经重建
通过基于高斯的法线表示，本文提出了一种监督的方式来学习反射场景中几何形状的细节，通过极化先验引导几何学习，并通过优化过程中的重新权重策略来减轻极化先验的噪声问题，实验证明本文的方法在反射场景的神经三维重建中表现出色。
- Hyper-VolTran：基于超网络的快速且通用的一次性图像到 3D 物体结构转换
从单一视角解决图像到三维的问题是一个不适定问题，现有的神经重建方法依靠场景特定的优化限制其泛化能力。为了克服现有方法在泛化和一致性方面的局限性，我们引入了一种新颖的神经渲染技术。我们的方法通过几何编码体积和超网络，采用有符号距离函数作为表面 - 点云中无旋流的 $p$-Poisson 曲面重建
通过对无组织点云进行局部偏微分方程监督以及差分矢量场的基本属性，本文提出了一种具有鲁棒性、高质量的曲面重建方法，采用了隐式神经表示技术，并通过学习 $p$-Poisson 方程得到符号距离函数 (SDF)，从而隐式表示重建曲面。实验结果表明 - 具有编码细节级别的抗锯齿神经隐式曲面
我们提出了 LoD-NeuS，一种用于高频几何细节恢复和抗锯齿新视图渲染的高效神经表示。我们借鉴了具有细节级别的基于体素的表示，引入了一种多尺度三平面场景表示方法，能够捕捉有符号距离函数和空间辐射的细节级别。我们的表示通过沿射线在锥体锥内进 - LightNeuS：内窥镜中基于光照衰减的神经表面重建
我们提出了一种新的方法来从单眼内窥镜获取的图像序列中进行三维重建。该方法基于两个关键观点：内腔是密封的，可以通过使用符号距离函数来建模；场景照明是变化的，来自内窥镜的光源并随着到表面的距离的平方反比而衰减。通过修改 NeuS 架构以考虑亮度 - DebSDF: 研究神经室内场景重建的细节和偏差
本文提出了 DebSDF，旨在解决多视角图像室内场景中由于纹理缺乏和领域差异导致的误差问题，并通过不确定性建模、重要性引导射线采样以及有偏的密度变换等方法改进了细节重建，实验证明了其在重建室内场景中细结构方面的优越性。
- 使用阴影和高光提示重新照明神经辐射场
本研究提出了一种新颖的神经隐式亮度表示方法，用于从一小组不规则的物体照片中进行自由视角重照。我们通过多层感知器将形状表示为有符号距离函数。与先前的隐式神经重照方法不同，我们没有分离不同的反射分量，而是通过第二个多层感知器在每个点上模拟局部和 - CVPR基于全局稀疏 - 局部稠密格点的快速单目场景重建
研究使用 “符号距离函数” 结合 “稀疏体素块网格” 等算法实现室内场景的平面重建，相较于常规算法在训练与渲染速度上有数量级的提升，同时保持与现有方法相当的精度。
- CVPRPET-NeuS: 神经表面的位置编码三平面
本文建立新的神经表面重建方法，在 signed distance function 的基础上结合 tri-plane 表示，采用可学习的位置编码和卷积操作，通过实验在标准数据集上大幅提高了表面重建的精度。
- CVPR从有符号距离函数中抽象出形状
该论文提出了 Marching-Primitives 方法，通过分析体素的连接性，以及在不同的有符号距离级别上行进，在概率意义下从体素范围上生长几何基元（例如超椭球），并同时解决基元参数问题，以捕捉基本局部几何信息。研究人员在合成数据集和真 - WWWNeTO: 自遮挡感知的折射追踪技术用于透明物体的神经重建
NeTO 是一种通过体积渲染的，利用带有自遮挡感知的折射光线跟踪优化带隐式符号距离函数（Signed Distance Function）表面表示的方法，能够重建高质量的透明物体三维图像，且在正确重建自遮挡区域方面表现优异。
- 基于隐式 SDF 的 StyleGAN 3D 形状生成
介绍了一种基于 StyleGAN2 的深度学习方法来生成三维形状，称为 SDF-StyleGAN，使用隐式有符号距离函数（SDF）作为三维形状表示，并引入两种新的全局和局部形状鉴别器，在形状几何和视觉质量方面显著提高了性能。
- Geo-Neus: 多视角重建的几何一致神经隐式曲面学习
该论文提出了一种几何一致的神经隐式表面多视图重建方法，该方法利用多视觉几何约束和稀疏几何结构信息，结合有符号距离函数优化，以获得高质量的表面重建结果。
- ICCV利用 SDF 学习 3D 形状局部几何编码
本研究提出了一种基于局部几何代码学习的模型，通过使用图神经网络将单个可传递的潜层代码拆分成分布在 3D 形状上的一组局部潜层代码，从而改进了原始 DeepSDF 结果，并且在 3D 形状重建方面的实验中，该方法能够保留更多的细节，同时在最重 - 基于体渲染学习神经隐式曲面的多视角重建
该研究提出了一种新颖的神经表面重建方法 NeuS，将表面表示为带符号距离函数的零水平集，并开发了一种新的体积渲染方法来训练神经 SDF 表示，自主进行高保真度的物体和场景三维重建。
- 基于有符号距离函数子地图的全局一致性体积匹配 Voxgraph
本文提出了一个基于 CPU 的轻量级框架，通过计算子地图集合的最佳对齐，以 Signed Distance Function 子地图的重叠集合形式表示环境，生成对子地图对之间的无对应约束来维持全局一致性。在实验中，我们在大型空间和工业空间使 - ECCV课程 DeepSDF
本文设计了一个形状课程用于学习连续有符号距离函数（SDF）的形状，由简单到复杂地扩展其难度，帮助提升三维形状重建的质量和训练效果。